Agent Skills
返回列表
论文雷达

论文雷达

知识管理 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_0dadcff3/auto-paper-collecter。

技能介绍

要解决什么问题

跟踪 arXiv、Semantic Scholar、GitHub 等多源新文献时，常见痛点是：关键词字面匹配漏召回、跨源重复、以及非 CS 或跑题结果混进日报。若再单独接一层摘要 API，还要维护密钥与费用。论文雷达把「确定性流水线」交给 Python 脚本，把查询扩展、学科相关性判断、中文摘要与热点归纳交给当前正在执行技能的 Agent 模型，因此不需要额外的 AI API Key。

工作方式

配置集中在 state/config.json：keywords（约 3 个主题）、domain（默认计算机科学）、各数据源开关、lookback_days 等。用户改关键词或来源时，应直接编辑该文件并回告变更。

按顺序执行管线：

  1. 查询扩展（Agent）：为每个关键词写出 2～3 条英文关联检索式，写入 state/queries.json。
  2. 抓取候选（脚本）：scripts/ 下脚本拉取启用源，对照 seen.json 去重并受 lookback_days 限制，输出 candidates.json；若为 0 条，告知「暂无新文献」并结束。
  3. 筛选与摘要（Agent）：逐条判断是否属于 CS 且与对应关键词真相关；保留项写简短中文摘要，组装 curated.json（论文在前，GitHub 仓库在后；仓库项以描述为 tldr，勿过度发挥）。
  4. 热点归纳（Agent，可选）：将保留项粗聚类到若干 CS 子方向，写 trends.json（最多约 3 个 top 方向）。
  5. 渲染（脚本）：生成 digests/YYYY-MM-DD.md 与 .html，并将展示过的条目记入 seen.json。
  6. 通知（脚本，可选）：邮件或 Telegram / Slack / 企业微信 / Server酱等（凭环境变量，不入库）。

脚本为纯 Python 标准库，负责 API 拉取、去重、渲染与通知；与项目 FastAPI 看板共享同源与同套管线思路。

边界与注意

  • 质量高度依赖 Agent 在步骤 1、3、4 的判断；domain 与关键词设得太宽会放大噪声。
  • GitHub 项是仓库信号（fetch.py 已筛 ≥10 stars），不是论文，摘要策略与论文不同。
  • 可选环境变量如 SEMANTIC_SCHOLAR_KEY、GITHUB_TOKEN 仅用于放宽速率限制；SMTP / 推送渠道需自行配置。

使用场景

  • 在编码 Agent 中配置 2～3 个课题关键词，跑完抓取管线后由模型筛 CS 相关条目并生成当日 Markdown/HTML _digest。
  • 跟进窄主题（如 C2Rust）时，让 Agent 为每个关键词扩展 2～3 条英文关联检索式，减少只命中字面词导致的漏召回。
  • 组内共读前，需要把本周 arXiv、Semantic Scholar 等待读稿粗聚类为 2～3 个方向，并写入 trends 与日报文件。
  • 已启用 SMTP 或企业微信/Slack 推送时，在渲染 digest 后把「保留篇数 + 热点方向 + 文件路径」同步通知到固定渠道。

适合人员

  • 主攻某一 CS 子方向的研究生，希望每天只看与 `keywords` 真相关的新论文中文摘要，而不是整站 RSS 洪流。
  • 在 Claude Code / Codex 等环境里做文献调研的工程师，希望用当前对话模型完成筛选与摘要，不另开付费摘要 API。
  • 负责阶段性综述的科研助理，需要按课题开关 arXiv、GitHub、PapersWithCode 等源，并依赖 `seen.json` 避免重复推送。
  • 维护开源框架或课程仓库的维护者，把 GitHub（≥10 stars 仓库）作为论文之外的补充信号写进同一期 digest。